基于深度强化学习的资源受限条件下的DIDS任务调度优化方法
在节点性能有限的边缘计算环境下进行分布式入侵检测系统(distributed intrusion detection system,DIDS)的任务分配,是一种典型的资源受限任务调度问题.针对该问题,提出基于深度强化学习的DIDS低负载任务调度方案.该方案将任务调度过程描述为马尔科夫决策过程(Markov decision process,MDP)并建立模型的相关空间和价值函数,找到保持DIDS低负载状态的最优策略.针对状态和动作空间过大且高维连续的问题,提出通过深度循环神经网络进行函数拟合.实验表明,所提出方案可使DIDS在网络变化中动态调节调度策略,保持系统整体的低负载,而安全指标没有明显降低.
资源受限、任务调度、深度强化学习、深度循环神经网络、入侵检测、边缘计算
37
TP393.08;C931.2(计算技术、计算机技术)
国家自然科学基金;西安市科技计划项目;陕西省教育厅专项项目
2022-10-31(万方平台首次上网日期,不代表论文的发表时间)
共6页
3052-3057